Windows10にTensorFlow GPUとKerasをインストールする

2018/12/11時点の情報ですので、情報が古い可能性があります。

PythonとKerasによるディープラーニングを買いました。

書籍内でUnixマシンが推奨されてますが、Windowsで環境構築を行いました。

環境構築の前にTensorFlowのGPU supportのHardware requirementsとSoftware requirementsの一読をおすすめします。

また、環境構築の手順はこちらのページが非常に参考になりました。

PC環境

グラフィックボードの種類を確認します。こちらのフリーソフトを利用して確認しました。

こちらのソフトを起動して、GraphicsタブのDisplay Device Selectionに利用しているグラフィックボードの名前が表示されます。

TensorFlowで使用できるグラフィックボードはCompute Capability 3.5以上のものが必要です。自分が使用しているグラフィックボードのCompute CapabilityはCUDA GPUsで確認できます。

GPUドライバーを最新のものに更新します。

仮想環境でTensorFlowとKerasを使用するので、Anacondaもインストールします。

CUDA ToolkitでVisual Studioの機能を利用しているようなのでVisual Studioも事前にインストールしておきます。
個人利用なのでVisual Studio Community2017をインストールしました。

CUDA Toolkitをインストールします。
最新版のバージョンは10.0ですが、TensorFlowは9.0対応なのでCUDA Toolkit9.0をインストールします。
9.0インストール後、patchも1から4までダウンロードしてインストールします。

CUDA9.0用のcuDNN 7.4をダウンロードします。
cuDNNのダウンロードには、NVIDIA Developer Programに登録する必要があります。

cuDNNのzipファイルを解凍し、出てきたcudaフォルダをC:\toolsに移動します。

コマンドプロンプトに以下のコマンドを入力して環境変数のPathにフォルダを追加します。

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%<

Pathが追加されているか、こちらの方法でシステム環境変数のPathを選択し編集ボタンを押すと確認できます。
【Windows 11対応】Path環境変数を設定／編集して、独自のコマンドを実行可能にする

TensorFlowはPython3.xでは3.4, 3.5, 3.6に対応しています。

今回はPython3.6.7で仮想環境を構築します。

Anaconda Promptを起動して、下記のコマンドを入力して仮想環境を作成します。
仮想環境の名前はkeras-deeplearningにしています。

conda create -n keras-deeplearning python=3.6

作成した環境をactivateします。

activate keras-deeplearning

tensorflow-gpuをpipでインストールします。

pip install tensorflow-gpu

以下のPythonコードを実行してエラーがでなければインストール成功です。
コードを実行するとtensorflow-gpu最新バージョンの1.12.0が表示されます。

import tensorflow as tf

print(tf.__version__)

Kerasをpipでインストールします。

pip install keras

KerasのMNISTのサンプルコードを動かします。

初回はMNISTデータをダウンロードするので、数分かかります。
データダウンロード完了後、処理を実行します。GPUを使用した処理時間は約1分ほどでした。

GPUを利用した処理時間が約1分ほどだったので、CPUのみの処理時間と比較してみました。

Anacondaで別の仮想環境を作成します。
pip install tensorflowでCPUのみで処理を行うTensorFlowをインストールできます。

conda create -n keras-cpu-test python=3.6
activate keras-cpu-test
pip install tensorflow
pip install keras

上記の仮想環境でMNISTのコードを実行したところ、処理時間は約15分でした。
GPUバージョンは、かなり処理速度が速いことが確認できました。